本文介绍了神经网络中反向传播法的工作原理。通过一个简单的神经网络模型，展示了数据从前向传播到输出层的过程，并使用sigmoid激活函数。当输出层的预测值与实际值存在误差时，反向传播用于更新权重参数。具体阐述了如何计算权重对误差的偏导数，以修正权重并更新网络参数。
这是一个最简单的神经网络模型图，第一层是输入层，第二层是隐藏层，第三层是输出层。第一层的输入数据分配一个权重后，计算的结果并用激活函数进行激活再传给隐藏层，然后隐藏层再对数据进行权重分配，计算出结果传给输出层，输出层再用激活函数将最后结果输出。反向传播法的用途在于：当最后输出层的数据与真实数据相比有误差时，会反向更新权重参数。
首先来看前向传播的过程：（激活函数选用sigmoid函数）
神经元h1的输入加权和：
神经元h2的输入加权和：
神经元h1的输出：
神经元h2的输出：
最低0.47元/天 解锁文章
扫一扫
980
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
